Poglavlje 3

Rjeavanje sistema linearnih

jednaina
Problem rjeavanja sistema jednaina je jedan od najeih problema sa kojima se susreu inenjeri i naunici. Pri tome jednaine mogu biti algebarske,
transcedentalne, obine ili parcijalne diferencijalne jednaine. Takoer, one
mogu biti i linearne ili nelinearne. Ipak, ovdje e se obraditi samo (numeriko)
rjeavanje sistema linearnih jednaina.
Sistem od n linearnih jednaina sa n nepoznatih se moe napisati u obliku :
a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
.....................
an1 x1 + an2 x2 + . . . + ann xn = bn

(3.1)

gdje xi (i = 1, 2, . . . , n) predstavljaju nepoznate promjenljive, aij (i, j =

1, 2, . . . , n) konstantne koeficijente, a bi (i = 1, 2, . . . , n) nehomogene lanove.
Sistem jednaina (3.1) se moe napisati i u matrinoj formi:
Ax = b
gdje je A matrica koeficijenata (matrica
odnosno:

a11 a12 . . . a1n

a21 a2 2 . . . a2n
,x =
A=
.. . .
..

...
. .
.
an1 an2 . . . ann
Broj

(3.2)
sistema), a x i b su vektori kolone,

x1

x2
,b =
..

.
xn

b1
b2
..
.
bn

(3.3)

jednaina moe biti i drugaiji od n, ali je u veini inenjerskih problema jednak broju nepoznanica.

Rjeavanje sistema linearnih jednaina

Rijeiti sistem (3.1), odnosno (3.2) znai nai vrijednosti xi (i = 1, . . . , n) koje

istovremeno zadovoljavaju sve jednaine sistema. Pri tome, mogu se desiti 4
sluaja:
Jedinstveno rjeenje - sistem je odreen.
Nema rjeenja - sistem je protivrjean.
Beskonaan broj rjeenja - sistem ima nedovoljan broj jednaina, tj. neodreen je.
Trivijalno rjeenje - sistem je homogen i xi = 0 (i = 1, . . . , n)
U rjeavanju sistema linearnih algebarskih jednaina postoje dva fundamentalno razliita pristupa:
Direktne metode
Iterativne metode
Direktne metode predstavljaju sistematske procedure koje se zasnivaju na
principu eliminacije. Za razliku od njih, iterativne metode asimptotski dovode
do rjeenja pomou neke iterativne procedure u kojoj se pretpostavi neko rjeenje, ono se uvrsti u sistem jednaina kako bi se dobilo odstupanje, ili greka, a
zatim se na osnovu tog odstupanja, odnosno greke, dobije poboljano rjeenje.

3.1

Direktne metode

3.1.1

Cramerovo pravilo

Posmatrajmo sistem linearnih algebarskih jednaina, Ax=b, sa n jednaina.

Cramerovo pravilo kae da je rjeenje takvog sistema dato sa
xj =

det(Aj )
det(A)

(j = 1, 2, . . . , n)

(3.4)

gdje je (Aj ) matrica n n koja se dobija zamjenom kolone j matrice A sa

kolonom vektora b. Na primjer, za sistem sa dvije algebarske jednaine:
a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2
rjeenje je:

b1

b2
x1 =
a11
a21

38

a12
a22

a12
a22

(3.5)

a11

a21
x2 =
a11
a21

b1
b2

a12
a22

(3.6)

3.1. Direktne metode

U ovom sluaju determinante se vrlo lako izraunaju pomou pravila dijagonala. Meutim, za sisteme sa vie jednaina to pravilo ne vai i neophodno
je koristiti metodu kofaktora. Broj mnoenja i dijeljenja pri koritenju metode
kofaktora jednak je (n 1)(n + 1)!, pri emu je n dimenzija kvadratne matrice.
Lako je izraunati da je za sluaj 10 jednaina, koji predstavlja mali sistem jednaina, broj operacija jednak 360,000,000, a za samo 100 jednaina ovaj broj
je reda 10157 . Oigledno je da Cramerovo pravilo nije efikasno u rjeavanju
velikih sistema jednaina, tako da je neophodno koristiti neke druge metode.
3.1.2

Metode eliminacije

Metode eliminacije rjeavaju sistem linearnih algebarskih jednaina rjeavajui

jednu jednainu, na primjer prvu, za jednu nepoznanicu, na primjer x1 , u
odnosu na ostale nepoznanice, x2 , ..., xn , a zatim se vri zamjena izraza za x1
u ostalih n 1 jednaina. Procedura se nastavlja n 1 puta, tj. dok se ne
doe do jednaine koja sadri samo nepoznanicu xn . itav proces se naziva
eliminacija.
Vrijednost nepoznanice xn se moe dobiti iz posljednje jednaine procesa
eliminacije. Nakon toga se moe dobiti vrijednost nepoznanice xn1 iz modifikovane (n 1)-ve jednaine, koja sadri samo nepoznanice xn i xn1 . Zatim se
rjeava (n 2)-ga jednaina, koja sadri nepoznanice xn , xn1 i xn2 , za xn2 ,
i tako redom do prve jednaine. Ovaj proces se naziva zamjena unazad.
Metode eliminacije, u principu, koriste osnovne operacije sa redovima neke
matrice:
bilo koji red (jednaina) se moe pomnoiti konstantom. Ova operacija
se najee koristi za skaliranje jednaina, ako je to neophodno.
redovi (jednaine) mogu zamijeniti mjesta. Operacija se koristi kako bi
se izbjeglo dijeljenje sa nulom i smanjile greke zaokruivanja.
bilo koji red (jednaina) moe se zamijeniti linearnom kombinacijom tog
reda (jednaine) i bilo kojeg drugog reda (jednaine). Ova operacija se
najee koristi kako bi se implementirao proces sistematske eliminacije.
Ove operacije, iako mijenjaju vrijednosti elemenata matrice A i b, ne mijenjaju
rjeenje sistema.
Primjer 3.1
Radi ilustracije procesa eliminacije i procesa zamjene unazad rijeimo sljedei
sistem jednaina:
80x1 20x2 20x3 = 20

(3.7a)
39

Rjeavanje sistema linearnih jednaina

20x1 + 40x2 20x3 = 20

20x1 20x2 + 130x3 = 20

(3.7b)
(3.7c)

Rjeenje
Postupak rjeavanja poinje rjeavanjem jednaine (3.7a) za nepoznanicu
x1 . Na taj nain imamo:
x1 = [20 (20)x2 (20)x3 ]/80

(3.8)

Uvrtavajui jednainu (3.8) u jednaine (3.7b) i (3.7c) dobiva se, respektivno:

20[20 (20)x2 (20)x3 ]/80 + 40x2 20x3 = 20
20[20 (20)x2 (20)x3 ]/80 20x2 + 130x3 = 20

(3.9a)
(3.9b)

koje se mogu pojednostaviti na oblik:

35x2 25x3 = 25
25x2 + 125x3 = 25

(3.10a)
(3.10b)

Ako sada rijeimo jednainu (3.10a) za x2 , dobijamo:

x2 = [25 (25)x3 ]/35

(3.11)

Uvrtavajui posljednju jednainu u jednainu (3.10b) nakon pojednostavljenja

dobija se:
750
300
x3 =
7
7

(3.12)

Na taj nain, sistem jednaina (3.7) se svodi na sistem jednaina:

80x1 20x2 20x3 = 20
35x2 25x3 = 25
750/7x3 = 300/7

(3.13a)
(3.13b)
(3.13c)

ime je zavren proces eliminacije.

Sada se vrlo lako moe dobiti rjeenje sistema zamjenom unazad, tj.:
x3 = 300/750 = 0.40
x2 = [25 (25)(0.40)]/35 = 1.00
x1 = [20 (20)(1.00) (20)(0.40)]/80 = 0.60
40

(3.14a)
(3.14b)
(3.14c)

3.1. Direktne metode

Prethodno opisani primjer predstavlja sluaj jednostavne eliminacije (nema

potrebe za zamjenom reda redova i sl.), te se moe rjeavati u pogodnijem
obliku ako se matrica koeficijenata sistema A proiri vektorom b. Na taj
nain imamo:

80 20 20 20
40 20 20
[A|b] = 20
(3.15)
20 20 130 20
Sve informacije se sada mogu

80 20 20
(a)
40 20
(b) 20
(c)
20 20 130

(a)
80 20 20
(b) 0
35 25
(c)
0 25 125
i konano

(a)
80 20
20

(b)
0
35
25
(c)
0
0 750/7

pisati sa strane sistema, pa imamo:

20
(20/80)+(b),(20/80)+(c)

20

20

20
25 (25/35)+(c)
25

20
x1 = 0.60

25 x2 = 1.00

300/7
x3 = 0.40

(3.16)

(3.17)

(3.18)

Postupak rjeavanja na ovakav nain je veoma pogodan u sluajevima kada

imamo vei broj vektora b, jer se rjeenje sistema za sve vektore b moe dobiti
simultano.
Prilikom rjeavanja sistema jednaina, treba voditi rauna o dva problema
koji se mogu javiti:
1. U toku izvoenja metode eliminacije moe se desiti da je elemenat na
glavnoj dijagonali modifikovane matrice A, koji se jo naziva i glavni elemenat, jednak nuli, nakon ega nije mogue nastaviti proceduru zbog
dijeljenja sa nulom. Kako bi se izbjegla ova situacija, prethodno opisana
metoda eliminacije mora se modifikovati. Ovaj postupak dovodi do metoda sa djeliminim i potpunim izborom glavnog elementa. Metode sa
potpunim izborom glavnog elementa obuhvataju zamjenu i redova i kolona, i postupak je prilino komplikovan. Zbog toga se najee koristi
procedura sa djeliminim izborom glavnog elementa, kod koje se samo
zamjenjuju mjesta redova.
41

Rjeavanje sistema linearnih jednaina

2. U sluaju da su elementi po dijagonalama mnogo manji od ostalih elemenata u jednainama, moe doi do znaajne greke zaokruivanja, to,
pak, moe dovesti do pogrenih rjeenja. U tom sluaju vri se skaliranje
glavnog elementa, odnosno matrica se podesi da glavni elemenat bude
po apsolutnoj vrijednosti vei od ostalih elemenata u toj koloni. I ovaj
postupak se izvodi za zamjenom mjesta redova.
Primjer 3.2
Rijeiti sljedei sistem jednaina, prikazan u matrinoj formi:

5
x1
0 2
1
4 1 1 x2 = 3
5
2 3 3
x3

(3.19)

Rjeenje
Kao to se moe vidjeti, prvi elemenat jednak je nuli, tako da je zamjena
redova neophodna. Najvei elemenat po apsolutnoj vrijednosti u prvoj koloni,
ispod glavnog elementa, nalazi se u drugom redu, tako da vrimo zamjenu
prvog i drugog reda.

(a)
4 1 1 3
(0/4)+(b),(2/4)+(c)
(b) 0 2
1 5
(3.20)

(c)
2 3 3
5
pa se dobija proirena matrica:

4
1
1 3
0
2
1 5
0 7/2 7/2 7/2

(3.21)

Iako u ovom sluaju elemenat na glavnoj dijagonali druge jednaine nije jednak
nuli, on je po apsolutnoj vrijednosti manji od elementa ispod njega, tako da
je opet neophodno izvesti zamjenu redova. Treba napomenuti da se zamjena
redova vri samo na redovima ispod trenutnog glavnog elementa, jer bi se u
suprotnom mogao naruiti proces eliminacije koji je do tada obavljen. Nakon
zamjene drugog i treeg reda imamo:

(a)
4
1
1 3
(b) 0 7/2 7/2 7/2 (4/7)+(c)
(3.22)

(c)
5
0
2
1
42

3.1. Direktne metode

i konano

4
1
1 3
x1 = 1
0 7/2 7/2 7/2 x2 = 2

0
0
3 3
x3 = 1

(3.23)

Prethodno opisani proces eliminacije, ipak, moe da proizvede greke zaokruivanja, pa se u tu svrhu koristi proces skaliranja jednaina. To se deava
kada je glavni elemenat po apsolutnoj vrijednosti manji od ostalih elemenata
u istom redu. Skaliranje se, u tom sluaju, izvodi samo kako bi se odabrao
glavni elemenat. Sljedei primjer pokazuje upotrebu procesa skaliranja u svrhu
izbora glavnog elementa.
Primjer 3.3
Provjeriti prednosti procesa skaliranja na sistemu jednaina:

3
2 105
x1
104
2 3 103 x2 = 98
1
1
3
x3
3

(3.24)

ije je rjeenje: x1 = 1, x2 = 1 i x3 = 1, pri emu proraun vriti na tri

znaajne cifre.
Rjeenje
Prvo emo rijeiti sistem jednaina koristei do sada objanjene metode,
bez dodatnih objanjenja.

(a)
3
2 105 104
(0.667)+(b),(0.333)+(c)

(b)
2 3 103 98
(3.25)
(c)
1
1
3 3

(a)
3
2 105 104
(b) 2 4.33
33 28.6 (0.077)+(c)
(3.26)

(c)
0 0.334 32 31.6

3
2
105 104
2 4.33
33 28.9
(3.27)
0
0 29.5 29.4
Iz posljednje jednaine se zamjenom unazad dobija rjeenje: x3 = 0.997, x2 =
0.924 i x3 = 0.884, to se ne slae dobro sa tanim rjeenjem. Rjeenje je
pogreno zbog greke zaokruivanja na tri znaajne cifre.
43

Rjeavanje sistema linearnih jednaina

Kao to je ranije reeno, ove greke se mogu znatno smanjiti ako se primijeni
proces skaliranja. Prije izvrenja prvog koraka u procesu eliminacije (izjednaavanje elemenata ispod glavnog elementa sa nulom), potrebno je skalirati sve
elemente prve kolone sa najveim elementom u njihovom redu, uzimajui u
obzir samo elemente matrice sistema (A), pa je:

3/105
0.0286
a1 = 2/103 = 0.0194
(3.28)
1/3
0.3333
gdje se vektor a1 sastoji od skaliranih elemenata prve kolone. Jasno je da je
trei elemenat vektora a1 najvei po apsolutnoj vrijednosti, to znai da prva i
trea jednaina datog sistema trebaju zamijeniti mjesta, Na taj nain imamo:

(2/1)+(b),(3/1)+(c)
1
1
3 3
(a)

(b)
2 3 103 98
(3.29)
3
2 105 104
(c)

(a)
1
1 3 3
(b) 0 5 97 92 (1/5)+(c)
(3.30)

(c)
0 1 96 95
Ponovnim skaliranjem, imamo da je:

a2 = 5/97 = 0.0516
1/96
0.0104

(3.31)

pa nije potrebna nova zamjena redova, nego se iz jednaine (3.30) dobija:

1
1
3
3
0 5
97 92
(3.32)
0
0 76.6 76.6
odakle se dobiva tano rjeenje: x3 = 1, x2 = 1 i x3 = 1.

Gaussova metoda eliminacije

Prethodno opisana metoda eliminacije se naziva i Gaussova metoda eliminacije. Ona je najvanija i najkorisnija direktna metoda za rjeavanje sistema
linearnih algebarskih jednaina. Sve ostale direktne metode, kao na primjer,
44

3.1. Direktne metode

Gauss-Jordanova, matrina, metode faktorizacije, Thomasov algoritam za tridijagonalne sisteme, itd., predstavljaju modifikacije ili proirenja Gaussove
metode.
Broj mnoenja i dijeljenja koji koristi Gaussova metoda eliminacije priblino
je jednak N = (n3 /3 n/3) za matricu A i n2 za vektor b, to za sistem od 10
jednaina iznosi 430, a za sistem od 100 jednaina 343,000. Dakle, Gaussova
metoda eliminacije je daleko bra nego Cramerovo pravilo.
Algoritam za Gaussovu metodu eliminacije (sa djeliminim izborom glavnog
elementa), koji je prikladan za programiranje, imao bi oblik:
1. Definisati koeficijente matrice A, vektora b, te pomonog vektora o .
2. Poevi od prve kolone, treba normalizirati kolone k (k = 1, 2, . . . n 1) i
traiti po veliini najvei elemenat u koloni k te zamijeniti redove kako bi
se taj koeficijent postavio u poziciju glavnog elementa akk . U optimalnom
algoritmu, ne vri se zamjena vrijednosti svih koeficijenata, tj. zamjena
jednaina, nego se samo u pomonom vektoru o oznai/markira data
promjena.
3. Za kolonu k (k = 1, 2, . . . , n 1) se primijeni procedura eliminacije na
redove i (i = k + 1, k + 2, . . . , n) kako bi se stvorile nule ispod glavnog
elementa, akk . Na taj nain se dobija:

aik
aij = aij
akj (i, j = k + 1, k + 2, . . . , n)
(3.33)
akk

aik
akj
(i = k + 1, k + 2, . . . , n)
(3.34)
bi = bi
akk
Nakon to se primijeni ovaj korak na svih k kolona, originalna matrica A
postaje gornja trougaona.
4. Rijeiti nepoznanice x koristei zamjenu unazad, tako da je:
xn =

bn
ann
bi

xi =

(3.35)
n
X
j=i+1

aii

aij xj
(i = n 1, n 2, . . . , 1)

(3.36)

Pomoni elemenat se koristi u sluajevima izbora glavnog elementa kako bi se izbjegla zamjena koeficijenata matrice, i time utedilo vrijeme raunanja.

45

Rjeavanje sistema linearnih jednaina

Gauss-Jordanova metoda eliminacije

Gauss-Jordanova metoda eliminacije je varijacija Gaussove metode eliminacije, u kojoj se i elementi iznad kao i elementi ispod glavne dijagonale eliminiu
(izjednaavaju sa nulom). Na taj nain se matrica A transformie u dijagonalnu matricu. Redovi se obino skaliraju kako bi se dobili jedinini dijagonalni
elementi, pa se matrica A pretvara u jedininu matricu. Tada vektor b postaje
vektor rjeenja x. Gauss-Jordanova metoda je, na taj nain, pogodna za vie
vektora b, tj. kada je neophodno simultano rijeiti vie sistema sa razliitim
vektorima b, i direktno oitavati rjeenja svih sistema.
Broj mnoenja i dijeljenja za Gauss-Jordanovu metodu eliminacije je priblino jednak N = (n3 /2 n/2) + n2 , to je za oko 50% vie nego za Gaussovu
metodu eliminacije.
Primjer 3.4
Primjer 3.1 rijeiti Gauss-Jordanovom metodom.
Rjeenje
Prvi korak u procesu rjeavanja Gauss-Jordanovom metodom predstavlja
skaliranje prve jednaine, odnosno dijeljenje svih elemenata jednaine sa glavnim elementom, tj.

(a)
80 20 20 20
/80

(b)
20
40 20 20
(3.37)
(c)
20 20 130 20
pa se dobija:

(a)
1 0.25 0.25 0.25
(b) 20
40
20 20
(c)
20
20
130 20

(20)+(b),(20)+(c)

(3.38)

Primjenjujui proces eliminacije i naknadnim skaliranjem druge jednaine dobijamo:

(a)
1 0.25 0.25 0.25
(b) 0
35
25 25 /35
(3.39)

(c)
0
25
125
25

(a)
1 0.25 0.25 0.25
(b) 0
1 5/7 5/7 (0.25)+(a),(25)+(c)
(3.40)

(c)
25
0
25
125
46

3.1. Direktne metode

Sada se vri
reda, tj.

(a)
(b)
(c)

(a)
(b)
(c)
i konano

1
0
0

eliminacija iznad i ispod glavnog elementa i vri skaliranje treeg

3/7

5/7

300/7
/(750/7)

1 0 3/7 3/7
0 1 5/7 5/7
(3/7)+(a),(5/7)+(b)
0 0
1 215
1 0 3/7
0 1 5/7
0 0 750/7

se dobija:

0 0 0.6
1 0 1.0
0 1 0.4

(3.41)

(3.42)

(3.43)

Matrica A je na taj nain transformisana u jedininu matricu, a vektor b je

postao vektor rjeenja, x, odnosno xT = [ 0.6 1.0 0.4 ].

Inverzija matrica metodom eliminacije

Gauss-Jordanova metoda se moe koristiti za dobijanje inverzne matrice matrice koeficijenata sistema, A, tako da se matrica sistema A poroiri jedininom matricom, a zatim primijeni Gauss-Jordanov algoritam. Proces se moe
shematski prikazati sljedeom relacijom:
[A|I] [I|A1 ]

(3.44)

Primjer 3.5
Nai inverznu matricu koeficijenata sistema iz primjera 3.1 koristei GaussJordanovu metodu.
Rjeenje
Proirivanjem matrice koeficijenata iz jednaine (3.7) jedininom matricom,
dobijamo:

80 20 20 1 0 0
40 20 0 1 0
[A|I] = 20
(3.45)

20 20 130 0 0 1
47

Rjeavanje sistema linearnih jednaina

Primjenjujui Gauss-Jordanovu
(3.45) se moe svesti na oblik:

1 0 0 2/125 1/100
0 1 0 1/100 1/30

0 0 1 1/250 1/150

metodu eliminacije, desna strana jednaine

1/250
1/150
7/750

odakle se direktno dobija A1 :

2/125 1/100 1/250

A1 = 1/100 1/30 1/150
1/250 1/150 7/750
3.1.3

(3.46)

(3.47)

Matrina metoda

Sistem linearnih jednaina moe se rijeiti koritenjem inverzne matrice, A1

na sljedei nain. Ako dati sistem linearnih jednaina napiemo u matrinoj
formi:
Ax = b

(3.48)

mnoenjem date jednaine inverznom matricom A1 sa lijeve strane, dobijamo

A1 Ax = Ix = x = A1 b

(3.49)

i konano
x = A1 b

(3.50)

Dakle, ako je poznata inverzna matrica matrice A, A1 , rjeenje x se dobija

jednostavnim mnoenjem te inverzne matrice sa vektorom b. Meutim, treba
imati na umu da sve matrice ne moraju imati inverznu matricu (mogu biti
singularne), pa tada sistem nema jedinstveno rjeenje.
Primjer 3.6
Primjer 3.1 rijeiti matrinom metodom.
Rjeenje
Koristei rjeenje iz prethodnog primjera, iz jednaine (3.50) se direktno
dobija:

2/125 1/100 1/250

20
0.6
x = A1 b = 1/100 1/30 1/150 20 = 1.0
(3.51)
1/250 1/150 7/750
20
0.4
48

3.1. Direktne metode

3.1.4

Metode faktorizacije

Metode faktorizacije zasnivaju se na injenici da se matrice (kao i skalarne

veliine), mogu faktorizirati (razloiti) u proizvod neke dvije matrice na beskonano mnogo naina. Kada su takve dvije matrice donja trougaona, L (od
engleske rijei lower ), i gornja trougaona, U (od engleske rijei upper ), tj.
A=LU

(3.52)

dobija se tzv. LU faktorizacija, koja je jedinstvena. Metoda faktorizacije

kod koje su elementi po dijagonali donje trougaone matrice jednaki jedinici
naziva se i Doolittleova metoda, a ona kod koje su elementi dijagonale gornje
trougaone matrice jednaki jedinici metoda Crouta.
Kod metode Doolittlea, matrica U se dobija procesom Gaussove eliminacije
(predstavlja prvi dio proirene matrice prije primjene procesa zamjene unazad),
dok matrica L predstavlja zapis mnoitelja u procesu eliminacije (brojevi u
zagradama sa strane jednaina, koji mnoe jednainu sa glavnim elementom
u procesu eliminacije). Moe se pokazati da kada se odrede matrice L i U,
rjeavanje se sastoji iz dva koraka:
prvo se vektor b transformie u vektor b koristei izraz (zamjena unaprijed):
Lb = b

(3.53)

a zatim se vektor rjeenja dobiva sa (zamjena unazad):

Ux = b

(3.54)

Sljedei primjer pokazuje upotrebu Doolittleove metode.

Primjer 3.7
Primjer 3.1 rijeiti metodom Doolittlea.
Rjeenje
Kao to je u prethodnom tekstu reeno, matrica L predstavlja matricu koja
se sastoji od mnoitelja nastalih u procesu eliminacije Gaussovom metodom,
a matrica U gornju tridijagonalnu matricu u koju se transformie matrica
koeficijenata A pomou Gaussove metode. Na taj nain, koristei rjeenje iz
primjera 3.1 u pogodnijem obliku, dobija se:

1
0 0
80 20
20
1 0 U = 0
35
25
L = 0.25
(3.55)
0.25 5/7
1
0
0 750/7
49

Rjeavanje sistema linearnih jednaina

Dakle, matrica L se generie na sljedei nain. Elementi prve kolone jednaki su

mnoiteljima iz prvog koraka pri rjeavanju Gaussovom metodom eliminacije
(jednaina (3.16)) element L12 jednak je mnoitelju koji ide uz jednainu (b)
(tj. 20/80 = 0.25), dok je element L13 jednak mnoitelju koji ide uz jednainu (c) (tj. 20/80 = 0.25). Treba napomenuti da ispred mnoitelja treba
da stoji znak minus (), poto se u procesu eliminacije od jednaina oduzima
trenutno glavna jednaina pomnoena mnoiteljem. Analogno, elementi druge
kolone su jednaki mnoiteljima iz drugog koraka procesa eliminacije (jednaina (3.17)), odnosno element L23 jednak je mnoitelju koji ide uz jednainu
c) (tj. 5/7). Po definiciji, elementi na dijagonali jednaki su 1, a ostali, iznad
dijagonale, jednaki 0.
Kako je ranije reeno, matrica U u metodi Doolittlea jednaka je gornjoj
trougaonoj matrici u koju se transformie matrica sistema A u toku postupka
Gaussove metode eliminacije u ovom sluaju radi se o matrici iz jednaine
(3.18).
Sada se koristei jednainu (3.53) dobija:

1
0 0
b1
20
0.25
1 0 b02 = 20
(3.56)
0.25 5/7
1
b03
20
i zamjenom unaprijed:
b01 = 20
b02 = 20 (1/4)20 = 25
b03 = 20 (1/4)20 (5/7)25 = 300/7
Uvrtavajui dobijeni vektor b u jednainu (3.54) dobija se:

80 20
20
x1
20
0
35
25 x2 =
25
0
0 750/7
x3
300/7

(3.57a)
(3.57b)
(3.57c)

(3.58)

i zamjenom unaprijed:
x3 = 300/750 = 0.40
x2 = 25 [(25)0.4]/35 = 1.0
x1 = 20 20 [(20)1.0 + (20)0.4]/80 = 0.60

(3.59a)
(3.59b)
(3.59c)

Osnovna prednost metoda faktorizacije je u tome to je broj operacija mnoenja i dijeljenja, kada su poznate matrice L i U, jednak n2 , to je mnogo
50

3.1. Direktne metode

manje nego to to zahtijeva metoda Gaussove eliminacije. To naroito dolazi

do izraaja kada se treba izraunati sistem jednaina za veliki broj razliitih
vrijednosti vektora b. Na slian nain se moe izvesti i algoritam za Croutovu
metodu.
3.1.5

Nedostaci metoda eliminacije

Svi nesingularni sistemi linearnih jednaina imaju rjeenje. Teoretski gledano,

to rjeenje se uvijek moe nai nekom od metoda eliminacije. Meutim, postoje dva osnovna problema koja se javljaju u primjeni metoda eliminacije: (i)
prisustvo greaka zaokruivanja, i (ii) slaba podeenost sistema.
Greke zaokruivanja

Kao to je to u uvodnim poglavljima reeno, greke zaokruivanja nastaju kada

se neki beskonano dugi brojevi aproksimiraju brojevima konane tanosti.
Primjer 3.3 pokazuje kako greka zaokruivanja moe da utjee na rezultat.
Greke zaokruivanja u rjeavanju sistema jednaina se mogu smanjiti pogodnim razmjetajem jednaina, kao to je to i pokazano u pomenutom primjeru. U ove svrhe se moe, takoer, koristiti i poseban iterativni postupak,
tzv. metoda iterativnog poboljanja. Meutim, treba napomenuti da se greke
zaokruivanja nikada ne mogu u potpunosti eliminisati.
Podeenost sistema

Svi dobro podeeni nesingularni numeriki problemi imaju tano rjeenje. Ovo
rjeenje se, teoretski, uvijek moe ostvariti koritenjem razlomaka ili beskonano dugih brojeva. Meutim, svi praktini prorauni se ostvaruju sa konanim brojevima, koji kao posljedicu sadre greke zaokruivanja. Na taj nain,
greke zaokruivanja, mogu promijeniti rezultat prorauna.
Dobro podeen sistem je onaj kod kojeg male promjene bilo kojeg elementa
sistema uzrokuju male promjene u rezultatu problema. Nasuprot tome, slabo
podeen sistem je onaj kod kojeg male promjene nekog elementa uzrokuju
velike promjene u rjeenju sistema. S obzirom da su slabo podeeni sistemi
veoma osjetljivi na male promjene elemenata problema, oni su osjetljivi i na
greke zaokruivanja.
Primjer 3.8
Pokaimo ponaanje jednog slabo podeenog sistema na sljedeem primjeru:
x1 + x 2 = 2

(3.60a)
51

Rjeavanje sistema linearnih jednaina

x1 + 1.0001x2 = 2.0001

(3.60b)

Primjenom Gaussove eliminacije na sistem jednaina (3.60) dobija se:

(a)
1
1
2
(1)+(b)
(3.61)

(b)
1 1.0001 2.0001

1
1
2
(3.62)
0 0.0001 0.0001
to dovodi do rjeenja x2 = 1 i x1 = 1.
Posmatrajmo sada sistem kod kojeg smo koeficijent a22 promijenili sa 1.0001
na 0.9999. Imamo:

(a)
1
1
2
(1)+(b)
(3.63)

(b)
1 0.9999 2.0001

1
1
2
(3.64)
1 0.0001 0.0001
to dovodi do rjeenja x2 = 1 i x1 = 3, koje je potpuno drugaije od onog
prethodnog. Slino ponaanje bi se desilo ako bismo elemenat b2 promijenili
za neku malu veliinu. Dakle, male promjene u koeficijentima sistema dovele
su do znatnih promjena u rjeenju sistema, to pokazuje da je sistem slabo
podeen.
Jedini pravi lijek protiv problema slabe podeenosti je koritenje beskonano
dugih brojeva. Kako to nije mogue ostvariti, ostaje samo pokuaj da se
skaliranjem i zamjenama redova pobolja podeenost sistema.
Podeenost sistema se procjenjuje koritenjem norme matrice sistema i
broja podeenosti . Postoji vie definicija norme matrice sistema, kao:
kAk1 = max

1jn

kAk = max

n
X

|aij |

i=1
n
X

1jn

|aij | maksimalan zbir reda

(3.65a)
(3.65b)

j=1

kAk2 = min i
n n
!
XX
2
kAke =
aij
i=1 j=1

52

maksimalan zbir kolone

spektralna norma

(3.65c)

Euklidska norma

(3.65d)

3.1. Direktne metode

Za razliku od norme, broj podeenosti predstavlja mjeru osjetljivosti sistema

na male promjene njegovih elemenata. Broj podeenosti matrice A dat je
izrazom:
C(A) = kAkkA1 k

(3.66)

Velike vrijednosti broja podeenosti pokazuju i veliku osjetljivost na promjene

u vektoru b, pa je takav sistem slabo podeen.
Primjer 3.9
Pokaimo na primjeru 3.8 upotrebu norme i broja podeenosti.
Rjeenje
Matrica sistema jednaina (3.60) ima oblik:

1
1
A=
1 0.0001
pa bi Euklidska norma imala vrijednost:
n n
!
XX

kAke =
a2ij = 12 + 12 + 12 + 1.00012 = 2.00005

(3.67)

(3.68)

i=1 j=1

Nasuprot tome, inverzna matrica i njena Euklidska norma su:

10001 10000
1
A =
10000
10000
1

kA ke =

n n
XX

(3.69)

!
a2ij

= 20000.5

(3.70)

i=1 j=1

Dakle, broj podeenosti je:

C(A) = kAke kA1 ke = 2.00005 20000.5 = 40002 1

(3.71)

to pokazuje da je sistem slabo podeen. Treba napomenuti da u sluaju kada

je sistem dobro podeen, a postoje znatne greke u rjeenju, osnovni uzrok je
tanost raunanja.

53

Rjeavanje sistema linearnih jednaina

3.2

Iterativne metode

Za mnoge velike sisteme linearnih jednaina, koji proistiu iz inenjerskih problema, matrica koeficijenata A je rijetka, tj. veina elemenata jednaka je nuli.
U tom sluaju mnogo je efikasnije za njihovo rjeavanje koristiti iterativne nego
direktne metode.
Iterativne metode, kao i kod rjeavanja nelinearnih jednaina, poinju sa
pretpostavkom poetnog rjeenja x(0) . Ovo rjeenje se zatim koristi za dobivanje boljeg rjeenja x(1) na osnovu neke strategije smanjenja razlike izmeu
x(0) i stvarnog rjeenja x. Postupak se nastavlja do postizanja eljene tanosti.
Procedura je konvergentna ako se sa poveanjem broja iteracija aproksimacija
rjeenja pribliava tanom rjeenju.
Iterativne metode ne konvergiraju uvijek za sve jednaine u datom sistemu,
niti za sve mogue rasporede jednaina nekog sistema. Dovoljan uslov za konvergenciju iterativnih metoda opisanih u ovom poglavlju za bilo koji poetni
vektor rjeenja x je dijagonalna dominantnost matrice sistema. Pri tome, matrica je dijagonalno dominantna ako je apsolutna vrijednost svakog elementa na
glavnoj dijagonali jednaka ili vea od zbira apsolutnih vrijednosti svih ostalih
elemenata u tom redu, pri emu je za bar jedan red apsolutna vrijednost dijagonalnog elementa vea od odgovarajueg zbira apsolutnih vrijednosti ostalih
elemenata, ili
|aii |

n
X

|aij |

(i = 1, 2, . . . , n)

(3.72)

j=1
j6=i

pri emu znak > vrijedi za bar jedan red.

Neki sistemi koji nisu dijagonalno dominantni mogu se preurediti (na primjer zamjenom redova i sl.) i uiniti dijagonalno dominantnim. S druge strane,
neki, sistemi, koji nisu dijagonalno dominantni, mogu konvergirati ka rjeenju
za odreena poetna rjeenja, ali im konvergencija nije osigurana. U praksi se
iterativne metode ne koriste u sluajevima kada dijagonalna dominantnost ne
moe da se osigura.
Kada ponovljena primjena iterativne metode ne proizvodi znaajne razlike
u rjeenju, algoritam treba zaustaviti, odnosno algoritam se zaustavlja kada se
postigne odreeni kriterij konvergencije. Broj iteracija neophodan za postizanje konvergencije zavisi od:
Dominantnosti dijagonalnih koeficijenata. Sa poveanjem dijagonalne dominantnosti, smanjuje se broj iteracija neophodnih za postizanje kriterija
konvergencije.
54

3.2. Iterativne metode

koritene metode
poetnog vektora rjeenja
zahtijevanog kriterija konvergencije.
3.2.1

Jacobijeva metoda

Posmatrajmo opti sistem linearnih algebarskih jednaina Ax=b, koji u indeksnoj notaciji ima oblik:
n
X

aij xj = bi

(i = 1, 2, . . . , n)

(3.73)

j=1

U Jacobijevoj iteraciji, svaka jednaina sistema se rjeava po komponenti

vektora rjeenja koja se odnosi na dijagonalni element, tj. xi . Na taj nain
imamo:

!
i1
n
X
X
1
xi =
bi
aij xj
aij xj
(i = 1, 2, . . . , n)
(3.74)
aii
j=1
j=i+1
Neka je x(0) vektor poetnog rjeenja, gdje indeks u zagradi oznaava broj
iteracije. Prva aproksimacija se dobija pomou ovog vektora na osnovu jednakosti:

!
i1
n
X
X
1
(1)
(0)
(0)
xi =
bi
aij xj
aij xj
(i = 1, 2, . . . , n)
(3.75)
aii
j=1
j=i+1
a analogno se moe dobiti i rekurzivna formula Jacobijevog algoritma:

!
i1
n
X
X
1
(k+1)
(k)
(k)
xi
=
bi
aij xj
aij xj
(i = 1, 2, . . . , n) (3.76)
aii
j=1
j=i+1
ili u neto prikladnijem obliku:

!
n
X
1
(k+1)
(k)
(k)
xi
= xi +
bi
aij xj
aii
j=1

(i = 1, 2, . . . , n)

(3.77)

Jednaina (3.77) se moe napisati i u optem obliku:

(k+1)
xi

(k)
xi

(k)

R
+ i
aii

(i = 1, 2, . . . , n)

(3.78)
55

Rjeavanje sistema linearnih jednaina

gdje
(k)
Ri

= bi

n
X

(k)

aij xj

(i = 1, 2, . . . , n)

(3.79)

j=1

predstavlja ostatak (rezidual) i-te jednaine. Kao i u ostalim iterativnim postupcima, formule (3.77) ili (3.78) se koriste dok se ne postigne eljena tanost.
Jacobijeva metoda se ponekad naziva i metoda simultanih iteracija, jer se
sve vrijednosti xi iteriraju simultano. Iz formule (3.77) se vidi da vrijednost
(k+1)
(k)
zavisi samo o xi , tj. o vrijednostima iz prethodne iteracije, pa red
xi
procesiranja jednaina nije nebitan.
Primjer 3.10
Rijeiti sljedei sistem linearnih jednaina:

4 1
0
1
0
x1
1

4 1
0
1

x2
0 1

4 1
0 x3

=
1
0 1
4 1 x4
0
1
0 1
4
x5

100
100
100
100
100

(3.80)

Proraun zaustaviti kada najvea apsolutna razlika rjeenja dvije uzastopne

iteracije bude manja od 10 6.
Rjeenje
Na osnovu elemenata matrice sistema lako se zakljuuje da je uslov konvergencije (3.72) ispunjen za sve jednaine, pa se moe pristupiti rjeavanju
pomou Jacobijeve iterativne metode.
Jednaina (3.80) se moe prikazati u proirenom obliku:
4x1 x2 + x4
x1 + 4x2 x3 + x5
x2 + 4x3 x4
x1 x3 + 4x4 x5
x2 x4 + 4x5

=
=
=
=
=

100
100
100
100
100

(3.81a)
(3.81b)
(3.81c)
(3.81d)
(3.81e)

tako da se, koristei jednainu (3.77), dobija:

x1 = 25 + 0.25x2 0.25x4
x2 = 25 + 0.25x1 + 0.25x3 0.25x5
56

(3.82a)
(3.82b)

3.2. Iterativne metode

x3 = 25 + 0.25x2 + 0.25x4
x4 = 25 0.25x1 + 0.25x3 + 0.25x5
x5 = 25 0.25x2 + 0.25x4

(3.82c)
(3.82d)
(3.82e)

Ako se za poetno rjeenje uzme da je

x(0)T = [ 0.0 0.0 0.0 0.0 0.0]
i uvrsti u prethodnu jednainu, lako se dobiva da je
x(0)T = [ 25.0 25.0 25.0 25.0 25.0]
Postupak se ponavlja na slian nain za x(2) , itd. Rezultati su sumirani u
tabeli 3.1.
Tabela 3.1: Uz primjer 3.10
k
x1
x2
0
0.000000
0.000000
1 25.000000 25.000000
2 25.000000 31.250000
3 25.000000 34.375000
4 25.000000 35.156250
..
..
..
.
.
.
17
18

25.000000
25.000000

35.714285
35.714285

x3
0.000000
25.000000
37.500000
40.625000
42.187500
..
.

x4
0.000000
25.000000
31.250000
34.375000
35.156250
..
.

x5
0.000000
25.000000
25.000000
25.000000
25.000000
..
.

42.857142
42.857143

35.714285
35.714285

25.000000
25.000000

Lako je uoiti da je sistem jednaina, odnosno matrica koeficijenata jednaine (3.80), simetrian, tako da vrijedi da je x1 = x5 , i x2 = x4 .
Do istih rezultata se moglo doi i koristei opti oblik, tj. jednainu (3.78).
Prvo se na osnovu jednaine (3.79) odrede reziduali:
R1
R2
R3
R4
R1

=
=
=
=
=

100 4x1 + x2 x4
100 + x1 4x2 + x3 x5
100 + x2 + 4x3 + x4
100 x1 + x3 4x4 + x5
100 x2 + x4 4x5

(3.83a)
(3.83b)
(3.83c)
(3.83d)
(3.83e)

a nakon toga se uvrtenjem u jednainu (3.78) dobivaju vrijednosti xi . Postupak se ponavlja dok se ne dostigne eljena tanost.

57

Rjeavanje sistema linearnih jednaina

3.2.2

Gauss-Seidelova metoda
(k+1)

(k)

Za razliku od Jacobijeve metode, kod koje sve veliine xi

ovise samo o xi
(rjeenju iz prethodne iteracije), Gauss-Seidelova metoda manipulie sa tek
izraunatim vrijednostima. Algoritam za Gauss-Seidelovu metodu se dobija iz
Jacobijevog algoritma, jednaina (3.76), tako to se u sabiranju od j = 1 do
(k+1)
(k)
i 1 koriste vrijednosti xi
, a za j = i + 1 do n vrijednosti xi , odnosno u
indeksnoj notaciji:

!
i1
n
X
X
1
(k+1)
(k+1)
(k)
xi
=
bi
aij xj

aij xj
(i = 1, 2, . . . , n) (3.84)
aii
j=1
j=i+1
ili u optem obliku:

(k)

Ri

(k)

R
=
+ i
(i = 1, 2, . . . , n)
aii
i1
n
X
X
(k+1)
(k)
= bi
aij xj

aij xj
(i = 1, 2, . . . , n)

(k+1)
xi

(k)
xi

j=1

(3.85)
(3.86)

j=i

Upravo zbog toga to se koriste tek izraunate vrijednosti pojedinih nepoznanica, Gauss-Seidelova metoda se naziva i metoda sukcesivne iteracije.
Primjer 3.11
Rijeiti problem iz zadatka 3.10 koristei Gauss-Sedelovu metodu.
Rjeenje
Postupak rjeavanja Gauss-Seidelovom je vrlo slian Jacobijevoj metodi, s
tom razlikom to se u proraunu koriste najnovije vrijednosti rjeenja. Na taj
nain, jednaina (3.82) ima oblik:
(k+1)

x1

(k+1)
x2
(k+1)
x3
(k+1)
x4
(k+1)
x5

(k)

(k)

= 25 + 0.25x2 0.25x4
= 25 +
= 25 +
= 25
= 25

(k+1)
0.25x1
(k+1)
0.25x2
(k+1)
0.25x1
(k+1)
0.25x2

+
+
+
+

(k)
(k)
0.25x3 0.25x5
(k)
0.25x4
(k+1)
(k)
0.25x3
+ 0.25x5
(k+1)
0.25x4

(3.87a)
(3.87b)
(3.87c)
(3.87d)
(3.87e)

gdje je k korak iteracije. Uzimajui da je poetna aproksimacija jednaka

x(0)T = [ 0.0 0.0 0.0 0.0 0.0]
58

3.2. Iterativne metode

lako se na osnovu jednaine (3.87) dobivaju sljedee aproksimacije :

(1)

x1

(1)
x2
(1)
x3
(1)
x4
(1)
x5

(0)

(0)

(1)
0.25x1
(1)
0.25x2
(1)
0.25x1
(1)
0.25x2

(0)
0.25x3
(0)
0.25x4
(1)
0.25x3
(1)
0.25x4

= 25 + 0.25x2 0.25x4 = 0
= 25 +
= 25 +
= 25
= 25

+
+
+
+

(3.88a)

(0)
0.25x5

= 31.25

= 32.8125
+

(0)
0.25x5

(3.88b)
(3.88c)

= 26.953125

= 23.925781

(3.88d)
(3.88e)

Postupak se ponavlja dok se ne postigne traena tanost. Ostali rezultati

prorauna su sumirani u tabeli 3.2.
Tabela 3.2: Uz primjer 3.11
k
x1
x2
0
0.000000
0.000000
1 25.000000 31.250000
2 26.074219 33.740234
3 24.808502 34.947586
..
..
..
.
.
.
14
15

25.000001
25.000000

35.714286
35.714286

x3
0.000000
32.812500
40.173340
42.363453
..
.

x4
0.000000
26.953125
34.506226
35.686612
..
.

x5
0.000000
23.925781
25.191498
25.184757
..
.

42.857143
42.857143

35.714285
35.714286

25.000000
25.000000

Iz tabele je jasno da se ista tanost dostie neto bre koristei Gauss-Seidelovu

metodu.
Do istih rezultata se moglo doi i koristei opti oblik (jednaina (3.85)), tj.
u ovom sluaju imali bismo:
(k+1)

R1

(k+1)
R2
(k+1)
R3
(k+1)
R4
(k+1)
R1

(k)

(k)

(k)

= 100 4x1 + x2 x4
= 100 +
= 100 +
= 100
= 100

(k+1)
x1
(k+1)
x2
(k+1)
x1
(k+1)
x2

+
+
+

(k)
(k+1)
4x2 + x3
(k)
(k)
4x3 + x4
(k+1)
(k)
x3
4x4
(k)
(k+1)
x4
4x5

(3.89a)

(k+1)
x5

(k)
x5

(3.89b)
(3.89c)
(3.89d)
(3.89e)

Dakle, prvo se izraunava vrijednost R1 , pa na osnovu nje x1 , zatim R2 , pa x2 ,

itd.

59

Rjeavanje sistema linearnih jednaina

3.2.3

Metode relaksacije

Iterativne metode se esto same po sebi nazivaju relaksacionim metodama, poto iterativnu proceduru moemo posmatrati kao relaksaciju vektora rjeenja
x(0) za rjeenje x. Ipak, termin relaksacija vezan je za tzv. Southwellovu metodu relaksacije, kod koje se kombinuju dva procesa kako bi se ubrzala konvergencija: (i) red relaksacije se odreuje traenjem po veliini najveeg reziduala
|Ri |max i (ii) relaksira se odgovarajua jednaina tako da bude (Ri )max = 0.
Ipak, proces traenja najveeg reziduala za velike sisteme je veoma spor, tako
da nije efikasan. Zato se esto primjenjuje malo drugaija metoda koja se
naziva i metoda sukcesivne nadrelaksacije (tzv. SOR metoda).
(k)
Metoda sukcesivne nadrelaksacije ukljuuje mnoenje reziduala Ri sa relaksirajuim faktorom , pa bi za Gauss-Seidelovu metodu, na primjer, imala
oblik:

(k)

Ri

(k)

R
=
+ i
(i = 1, 2, . . . , n)
aii
i1
n
X
X
(k+1)
(k)
= bi
aij xj

aij xj
(i = 1, 2, . . . , n)

(k+1)
xi

(k)
xi

j=1

(3.90)
(3.91)

j=i

Iz gornje jednakosti se vidi da za = 1 dobijamo originalnu Gauss-Seidelovu

metodu. Moe se pokazati da za 0 < 2 sistem konvergira, pri emu je
za 0 < 1 sistem jednaina podrelaksiran, a za 1 < 2 nadrelaksiran.
Podrelaksacija je pogodna kada se iterativnom metodom udaljava od rjeenja,
to je karakteristika nelinearnih sistema jednaina. Treba napomenuti da relaksirajui faktor ne mijenja konano rjeenje, s obzirom da mnoi rezidual,
koji sa konvergencijom ka tanom rjeenju tei nuli.
Osnovni nedostatak relaksirajuih metoda je odreivanje optimalne vrijednosti faktora . Na alost, ne postoji dobra opta procedura za odreivanje
ove vrijednosti. Ipak, dobrim izborom faktora , kompjutersko vrijeme se
moe smanjiti za ak 10-50 puta, to je u svakom sluaju vrijedno pomena
radi mogueg koritenja. Optimalna vrijednost se moe nai eksperimentisanjem, ali nije preporuljiva ako se problem rjeava samo jednom. Ako se, pak,
problem rjeava esto nad istim vrijednostima matrice sistema A sa razliitim
vrijednostima b, onda je to pogodno uraditi.
Vrijedno je pomenuti da Jacobijeva i Gauss-Seidelova metoda uz ispunjenje
dijagonalne dominantnosti matrice sistema konvergiraju, dok metoda relaksacije za 6= 1 moe, ali i ne mora konvergirati.
eng.

60

Successive-Over-Relaxation

3.3. Ostale metode

Primjer 3.12
Rijeiti problem iz zadatka 3.10 koristei metodu relaksacije Gauss-Sedelove
metode. Uzeti da je = 1.10.
Rjeenje
Metode relaksacije pogodno je raditi kada se algoritam za Gauss-Seidelovu
metodu prikae jednainom (3.85), odnosno kada se koristi jednaina (3.90).
Uzimajui da je poetna aproksimacija jednaka
x(0)T = [ 0.0 0.0 0.0 0.0 0.0]
prema jednaini (3.89) se dobija rezidual
(0)

R1 = 100.00
pa je:
100.00
= 27.50
4
Uvrtavajui dobijenu vrijednost u jednainu (3.89b) dobija se:
(1)

(3.92)

(1)

(3.93)

x1 = 0 + 1.1

R2 = 100 + 27.50 = 127.70

pa je:

127.50
= 35.0625
(3.94)
4
Nakon raunanja vrijednosti x3 , x4 i x5 , prelazi se na sljedeu iteraciju, i
postupak se nastavlja do postizanja eljene tanosti. U tabeli 3.3 date su
ostale vrijednosti prorauna. Jasno vidi da je broj iteracija manji nego koristei
prethodne dvije metode.
(1)

x2 = 0 + 1.1

3.3

Ostale metode

Pored prethodno opisanih metoda, postoji jo niz metoda koje se koriste za

rjeavanje sistema linearnih jednaina. Naroito mjesto zauzimaju tzv. nestacionarne metode, koje ukljuuju informacije koje se mijenjaju u svakoj iteraciji.
One su izuzetno efikasne, ali im je primjena i razumijevanje neto kompliciranija. Najpoznatije metode u ovoj grupi su metoda konjugovanih gradijenata,
koja se koristi za simetrine matrice sistema, te metoda bikonjugovanih gradijenata, za asimetrine matrice sistema.
61

Rjeavanje sistema linearnih jednaina

Tabela 3.3: Uz primjer 3.12

k
x1
x2
0
0.000000
0.000000
1 27.500000 35.062500
2 26.100497 34.194375
3 24.419371 35.230346
..
..
..
.
.
.
11
12
13

3.4

24.999996
25.000000
25.000000

35.714285
35.714286
35.714286

x3
0.000000
37.142188
41.480925
42.914285
..
.

x4
0.000000
30.151602
35.905571
35.968342
..
.

x5
0.000000
26.149503
25.355629
25.167386
..
.

42.857145
42.857143
42.857143

35.714287
35.714286
35.714286

25.000000
25.000000
25.000000

Pitanja i zadaci

1. Objasniti koja su mogua rjeenja sistema linearnih jednaina!

2. Koje su osnovne razlike izmeu direktnih i iterativnih metoda?
3. Objasniti osnovni koncept direktnih metoda eliminacije!
4. Objasniti Gaussovu metodu eliminacije!
5. Objasniti postupke zamjene redova i skaliranja! Iz kojih razloga se koriste
ovi postupci?
6. Objasniti Gauss-Jordanovu metodu eliminacije!
7. Na koji nain se koristei Gauss-Jordanovu metodu eliminacije moe odrediti inverzna matrica?
8. Objasniti matrinu metodu!
9. Objasniti koncept metode faktorizacije! Koje metode faktorizacije razlikujemo?
10. Koji su nedostaci direktnih metoda?
11. Objasniti utjecaj greke zaokruivanja na numeriki algoritam!
12. Objasniti utjecaj broja podeenosti na neku matricu!
13. Objasniti koncept koritenja iterativnih metoda!
14. Objasniti Jacobijevu metodu!
15. Objasniti Gauss-Seidelovu metodu!
62

3.4. Pitanja i zadaci

16. Objasniti metode relaksacije!

17. U nekom programskom jeziku, napisati program za rjeavanje sistema
linearnih jednaina koristei:
a)
b)
c)
d)
e)

Gaussovu metode eliminacije

Gauss-Jordanovu metodu!
Jacobijevu metodu!
Gauss-Seidelovu metodu!
metode relaksacije.

18. Sljedee sisteme jednaina rijeiti Gaussovom metodom:

a)
2x1 + 3x2 + x3 = 9
3x1 + 4x2 5x3 = 0
x1 2x2 + x3 = 4
b)
x1 + 3x2 + 2x3 x4
4x1 + 2x2 + 5x3 + x4
3x1 3x2 + 2x3 + 4x4
x1 + 2x2 3x3 + 5x4

=
=
=
=

9
27
19
14

c)

1 2 1
x1
1
2
1 2 x2 = 3
1
1 3
x3
8
d)

2 2
2
1
x1
2 4

1
3 x2

1
3 4
2 x3
2
4
3 2
x4

7
10
=

14
1

19. Primjere iz zadatka 18 rijeiti Gauss-Jordanovom metodom!

20. Primjere iz zadatka 18 rijeiti matrinom metodom!
63

Rjeavanje sistema linearnih jednaina

21. Primjere iz zadatka 18 rijeiti metodom faktorizacije, odnosno metodom

Doolittlea!
22. Sljedee sisteme jednaina rijeiti Jacobijevom iterativnom metodom:
a)

2
1

0
0

1
2
1
0

0
1
2
1

0
x1
x2
0

1 x3
2
x4

2
3
2
0

0
2
3
2

0
x1
x2
0

2 x3
3
x4

4
8
=

12
11

b)

3
2

0
0

12
17
=

14
7

c)

2
1
0
0
x1
1 2

1
0 x2

0
1 2
1 x3
0
0
1 2
x4

1
2
=

7
1

d)

2 1
0
0
x1
1
x2
2
1
0

0 1
2 1 x3
0
0 1
2
x4

5
1
=
0
8

23. Primjere iz zadatka 22 rijeiti Gauss-Seidelovom metodom!

24. Primjere iz zadatka 22 rijeiti metodom relaksacije sa = 1.27!
25. Nai optimalnu vrijednost faktora relaksacije za primjer 3.12. Rezultat
predstaviti grafiki - kao koordinatne ose koristiti broj iteracija i vrijednost . U tu svrhu napisati program u nekom od programskih jezika, ili
komercijalnih softvera.

64